Banken und Behörden entlarven mit Datenanalytik Betrüger

Konventionelle Methoden der Betrugsaufdeckung konzentrieren sich auf singuläre Verdachtsfälle – ein auffälliges Konto oder eine ungewöhnlich hohe Geldsumme. Netzwerke von Betrügern deckt jedoch nur der tiefe Blick in das Beziehungsgeflecht aus Daten auf. 

Im Kampf gegen Steuerhinterziehung, Geldwäsche und Betrug steht das Bank- und Finanzwesen vor der gleichen Frage wie staatliche Stellen: Wie lassen sich in Datenmassen legale von illegalen Aktivitäten unterscheiden? Die Auswertung der Daten ist dabei dank moderner Analytiktools durchaus machbar. 

Die Herausforderung besteht darin, alle relevanten Infos über Datensilos hinweg miteinander zu verknüpfen. Nur in solchen Netzwerkanalysen lassen sich Querverbindungen und Muster erkennen, die auf dem ersten Blick nicht offensichtlich sind. Organisierte Kriminelle, die gelernt haben unter dem Radar zu agieren, fallen daher bei gängigen Systemen der Betrugsprävention durchs Raster. Vielversprechender ist der Einsatz von Graphtechnologie.

Der Graph verknüpft Datensätzen stellt Verbindungen her

Ein Graph ist ein Datenmodell, das sowohl einzelne Datensätze, wie zum Beispiel Kunden oder Konten, als auch die Verbindungen, etwa "wohnhaft in" oder "überwiesen an", anschaulich abbildet. Zusätzlich können qualitative oder quantitative Eigenschaften zugeordnet werden, beispielsweise der Betrag. So entsteht ein semantisches Netzwerk an Informationen, das Zusammenhänge auf einen Blick offenlegt.

Um Beziehungen auch über mehrere Ebenen hinweg aufzudecken, kommen Graph-Algorithmen zum Einsatz. Mit dem sogenannten PageRank-Algorithmus lassen sich zum Beispiel Suchergebnisse nach der Anzahl der Beziehungen gewichten. Übertragen auf die Betrugsaufdeckung können so einflussreiche Kunden oder Konten ausgemacht werden, die am Ende von unzähligen Geldtransaktionen stehen. Knoten mit einem hohen PageRank-Score erscheinen in der Ansicht größer und fallen sofort ins Auge. Die Ergebnisse liefern Aufschluss über die Gruppendynamik von Tätern, decken Vorgehensweisen und Infrastrukturen der Betrüger auf.

Zusammenarbeit zwischen Banken und Behörden

Diese Art von Betrugsaufdeckung ist auch für staatliche Behörden interessant. Bundesweit ermitteln sie in mindestens 5.100 Betrugsfällen bei Corona-Soforthilfen. Nach dpa-Recherchen könnte der Schaden mittlerweile knapp 22 Millionen Euro betragen. Bei der Aufdeckung der Betrugsfälle arbeiten die ländereigenen Investitionsbanken eng mit den Hausbanken der Antragsteller zusammen. Verdachtsfälle, wie beispielsweise der Eingang ungewöhnlich hoher Summen auf Privatkonten oder das sofortige Abheben der Soforthilfe nach Eingang, werden an die Behörden gemeldet.

Ähnlich gehen Banken und Behörden im Kampf gegen Geldwäsche vor. Der Dienstleister Dun & Bradstreet führt mit Hilfe von Graphtechnologie Kundenabfragen durch und kann so den tatsächlichen Eigentümer von Unternehmen ermitteln. Im Finanzskandal um die Panama Papers nutzten die investigativen Journalisten ICIJ-Graphen, um die 2,6 Terabyte zu analysieren und Briefkastenfirmen und Steueroasen der Politiker, Konzerne und Superreichen zu entlarven.

Aber auch unabhängig von Betrugsaufdeckung findet Graphtechnologie ein breites Einsatzgebiet. In der öffentlichen Verwaltung beschleunigen Graph-Anwendungen den Datenaustausch zwischen unterschiedlichen Referaten, um demographische Entwicklungen zu erkennen oder Gesetzesänderungen umzusetzen. Langwierige bürokratische Verfahren und Prozesse laufen so deutlich schneller und effizienter ab.

Legacy-Systeme: Kombinieren statt ersetzen

Graphdatenbanken können zudem parallel zu Legacy-Systemen genutzt werden. Im Idealfall lassen sich so die Stärken der Technologie nutzen, ohne den Wert bestehender Lösungen in Frage zu stellen. Für IT-Verantwortliche in Unternehmen und Behörden, deren Spielraum für hohe Neu-Investitionen begrenzt ist, kann das ein wichtiges Argument sein, wenn es darum geht, die Möglichkeiten modernen Datenanalytik in der Praxis auszuloten.